CN105426107A - 基于触控板的手势识别方法 - Google Patents

Abstract

本发明公开了一种基于触控板的手势识别方法，包括以下步骤：S1，对所采集的用户原始手势路径及原始模板手势路径进行重采样，将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径；S2，计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离。本发明通过对用户原始手势路径及原始模板手势路径进行重采样，将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径，然后计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离，从而使得不同速率下所采集的用户原始手势路径和原始模板的匹配成为可能，可以快速、准确的实现用户手势信号的识别。

Description

基于触控板的手势识别方法

技术领域

本发明涉及一种基于触控板的手势识别方法，属于手势识别技术领域。

背景技术

触控板可以用于输入任何形状的手势信号，实现通过手势信号控制指令的输出。通常进行手势(尤其是一些比较复杂的手势或不规律的手势)识别时，计算机会采集用户手势所形成的一组候选点，与预先设定好的模板进行匹配。其中，所述的候选点和模板可以通过采集人机交互装置上某位置感应区域上的移动动作获得。但是由于用户输入候选点的速率及采集模板信号时输入的速率并不一致，而信号输入的速率又会影响手势信号输入点的数目以及各个点的间距，从而导致采集的用户手势信号无法与模板信号进行精确、快速的匹配，也即无法快速、准确的识别用户的手势信号(如图1～图8所示，其中，图1～图8两两为一组，说明了在不同的采集速率下所得到的图形的候选点数目会有不同，从而影响了手势信号的识别)。

发明内容

本发明的目的在于，提供一种基于触控板的手势识别方法，它可以有效解决现有技术中存在的问题，实现快速、准确的识别用户的手势信号。

为解决上述技术问题，本发明采用如下的技术方案：一种基于触控板的手势识别方法，包括以下步骤：

S1，对所采集的用户原始手势路径及原始模板手势路径进行重采样，将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径；

S2，计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离。

优选的，步骤S1中所述的将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径具体包括以下步骤：

S11，计算用户原始手势路径及原始模板手势路径的长度；

S12，假设利用等间隔点将所述的用户原始手势路径及原始模板手势路径平均划分为N-1段；

S13，从起始点开始，通过线性插值法插入点，将用户原始手势路径及原始模板手势路径重新划分成包含N个等间隔点的路径。

采用以上方法即可将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径，使得不同速率下所采集的用户原始手势路径及原始模板能够实现匹配处理。

更优选的，所述的N的取值为32≤N≤256，从而可以同时提高手势信号识别的准确性和效率。

进一步优选的，所述的N的取值为64，从而使得手势信号识别的准确性和效率更高。

上述方法的步骤S2中，通过以下方式计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离：

$d_i=\frac{\underset{k=1}{\overset{N}{\Σ}}\sqrt{{(C{\[k\]}_x-T_i{\[k\]}_x)}^2+{(C{\[k\]}_y-T_i{\[k\]}_y)}^2)}}{N}$

其中，d_i为用户手势路径等间隔点的集合与第i个模板手势路径的等间隔点的集合之间的平均距离，k、N为各个集合所包含的等间隔的点的数量，C[k]为用户手势路径等间隔点的集合，T[k]为模板手势路径的等间隔点的集合；从而可以更加准确、直观的获得与原始手势路径匹配的原始模板手势路径。

前述的基于触控板的手势识别方法中，步骤S2还包括：对重采样处理后的用户手势路径及模板手势路径进行旋转，使得手势路径的质心与路径起始点所形成直线与水平线的夹角为0，从而可以进一步提高手势信号识别的准确性。

前述的基于触控板的手势识别方法中，步骤S2还包括：将重采样处理后的用户手势路径及模板手势路径缩放至同一正方形中，使得路径纵坐标的最大值与正方形中上边的纵坐标相同，路径纵坐标的最小值与正方形中下边的纵坐标相同，从而可以进一步提高手势信号识别的准确性。

优选的，步骤S2还包括：计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的匹配值：

$score=1-\frac{d_i^{*}}{1/2\sqrt{{\mathrm{size}}^2+{\mathrm{size}}^2}}$

其中，score为匹配值，size为正方形的边长，d_i为用户手势路径等间隔点的集合与第i个模板手势路径的等间隔点的集合之间的平均距离，为所有d_i中的最小值，对应的模板即为获得的匹配模板，从而可以更直接、更准确的获得与原始手势路径匹配的原始模板手势路径，同时以百分比的形式展现的数据更增强了手势匹配结果的可读性。

与现有技术相比，本发明通过对用户原始手势路径及原始模板手势路径进行重采样，将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径，然后计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离，从而使得不同速率下所采集的用户原始手势路径和原始模板的匹配成为可能，可以快速、准确的实现用户手势信号的识别。据大量数据统计表明，相对于现有技术，采用本发明中的技术对所采集的用户原始手势路径及原始模板手势路径进行重采样，将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径后再进行识别，识别的准确性提高了2％，识别效率提高了4.4％；采用本发明中的重采样技术进行处理再结合旋转技术处理后，进行手势识别的准确性提高了4.2％；采用本发明中的重采样技术进行处理再结合缩放技术处理后，进行手势识别的准确性提高了3.5％；采用本发明中的重采样技术进行处理再结合旋转技术、缩放技术处理后，进行手势识别的准确性提高了5.8％，识别效率提高了6.3％。最后，本发明的手势识别方法简单，便于操作和实现；而且实施过程中可以实时地增加或者删除模板，提高了手势识别的准确性；另外，本发明实现过程中只需要手势模板与候选点集合即可进行匹配，无需其他数据，也无需人为干预或者训练，从而进一步提高了手势识别的准确性和识别效率。

附图说明

图1～图8是用户原始手势路径及原始模板手势路径示意图；

图9是另一用户原始手势路径或原始模板手势路径示意图；

图10～图12分别是与图9所对应N＝32、N＝64、N＝128的重采样后的用户手势路径或模板手势路径；

图13是另一用户原始手势路径或原始模板手势路径示意图；

图14是与图13所对应的旋转后的用户手势路径或模板手势路径；

图15是本发明的一种实施例的方法流程图。

下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

本发明的实施例1：一种基于触控板的手势识别方法，如图15所示，包括以下步骤：

S1，对所采集的用户原始手势路径及原始模板手势路径进行重采样，将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径；具体包括以下步骤：

S11，计算用户原始手势路径及原始模板手势路径的长度；

S12，假设利用等间隔点将所述的用户原始手势路径及原始模板手势路径平均划分为N-1段；其中，所述的N的取值为64；

S13，从起始点开始，通过线性插值法插入点，将用户原始手势路径及原始模板手势路径重新划分成包含N个等间隔点的路径；

S2，对重采样处理后的用户手势路径及模板手势路径进行旋转，使得手势路径的质心与路径起始点所形成直线与水平线的夹角为0；将旋转后的用户手势路径及模板手势路径缩放至同一正方形中，使得路径纵坐标的最大值与正方形中上边的纵坐标相同，路径纵坐标的最小值与正方形中下边的纵坐标相同；计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离及匹配值：

$d_i=\frac{\underset{k=1}{\overset{N}{\Σ}}\sqrt{{(C{\[k\]}_x-T_i{\[k\]}_x)}^2+{(C{\[k\]}_y-T_i{\[k\]}_y)}^2)}}{N}$

$score=1-\frac{d_i^{*}}{1/2\sqrt{{\mathrm{size}}^2+{\mathrm{size}}^2}}$

将最大匹配值所对应的模板作为与用户手势路径匹配的模板。

其中，d_i为用户手势路径等间隔点的集合与第i个模板手势路径的等间隔点的集合之间的平均距离，k、N为各个集合所包含的等间隔的点的数量，C[k]为用户手势路径等间隔点的集合，T[k]为模板手势路径的等间隔点的集合，score为匹配值，size为正方形的边长，为所有d_i中的最小值，对应的模板即为此次获得的匹配模板。

实施例2：一种基于触控板的手势识别方法，包括以下步骤：

S1，对所采集的用户原始手势路径及原始模板手势路径进行重采样，将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径；具体包括以下步骤：

S11，计算用户原始手势路径及原始模板手势路径的长度；

S12，假设利用等间隔点将所述的用户原始手势路径及原始模板手势路径平均划分为N-1段；其中，N的取值为256；

S13，从起始点开始，通过线性插值法插入点，将用户原始手势路径及原始模板手势路径重新划分成包含N个等间隔点的路径；

S2，对重采样处理后的用户手势路径及模板手势路径进行旋转，使得手势路径的质心与路径起始点所形成直线与水平线的夹角为0；计算旋转处理后的用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离：

$d_i=\frac{\underset{k=1}{\overset{N}{\Σ}}\sqrt{{(C{\[k\]}_x-T_i{\[k\]}_x)}^2+{(C{\[k\]}_y-T_i{\[k\]}_y)}^2)}}{N}$

将最小平均距离所对应的模板作为与用户手势路径匹配的模板。

其中，d_i为用户手势路径等间隔点的集合与第i个模板手势路径的等间隔点的集合之间的平均距离，k、N为各个集合所包含的等间隔的点的数量，C[k]为用户手势路径等间隔点的集合，T[k]为模板手势路径的等间隔点的集合。

实施例3：一种基于触控板的手势识别方法，包括以下步骤：

S1，对所采集的用户原始手势路径及原始模板手势路径进行重采样，将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径；具体包括以下步骤：

S11，计算用户原始手势路径及原始模板手势路径的长度；

S12，假设利用等间隔点将所述的用户原始手势路径及原始模板手势路径平均划分为N-1段；其中，所述的N的取值为32；

S13，从起始点开始，通过线性插值法插入点，将用户原始手势路径及原始模板手势路径重新划分成包含N个等间隔点的路径；

S2，将重采样处理后的用户手势路径及模板手势路径缩放至同一正方形中，使得路径纵坐标的最大值与正方形中上边的纵坐标相同，路径纵坐标的最小值与正方形中下边的纵坐标相同；计算缩放处理后的用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离及匹配值：

$d_i=\frac{\underset{k=1}{\overset{N}{\Σ}}\sqrt{{(C{\[k\]}_x-T_i{\[k\]}_x)}^2+{(C{\[k\]}_y-T_i{\[k\]}_y)}^2)}}{N}$

$score=1-\frac{d_i^{*}}{1/2\sqrt{{\mathrm{size}}^2+{\mathrm{size}}^2}}$

将最大匹配值所对应的模板作为与用户手势路径匹配的模板。

其中，d_i为用户手势路径等间隔点的集合与第i个模板手势路径的等间隔点的集合之间的平均距离，k、N为各个集合所包含的等间隔的点的数量，C[k]为用户手势路径等间隔点的集合，T[k]为模板手势路径的等间隔点的集合，score为匹配值，size为正方形的边长，为所有d_i中的最小值，对应的模板即为获得的匹配模板。

实施例4：一种基于触控板的手势识别方法，包括以下步骤：

S1，对所采集的用户原始手势路径及原始模板手势路径进行重采样，将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径；具体包括以下步骤：

S11，计算用户原始手势路径及原始模板手势路径的长度；

S12，假设利用等间隔点将所述的用户原始手势路径及原始模板手势路径平均划分为N-1段；其中，所述的N的取值为128；

S13，从起始点开始，通过线性插值法插入点，将用户原始手势路径及原始模板手势路径重新划分成包含N个等间隔点的路径；

S2，计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离：

$d_i=\frac{\underset{k=1}{\overset{N}{\Σ}}\sqrt{{(C{\[k\]}_x-T_i{\[k\]}_x)}^2+{(C{\[k\]}_y-T_i{\[k\]}_y)}^2)}}{N}$

将最小平均距离所对应的模板作为与用户手势路径匹配的模板。

其中，d_i为用户手势路径等间隔点的集合与第i个模板手势路径的等间隔点的集合之间的平均距离，k、N为各个集合所包含的等间隔的点的数量，C[k]为用户手势路径等间隔点的集合，T[k]为模板手势路径的等间隔点的集合。

实施例5：一种基于触控板的手势识别方法，包括以下步骤：

S1，对所采集的用户原始手势路径及原始模板手势路径进行重采样，将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径；

S2，计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离。

将最小平均距离所对应的模板作为与用户手势路径匹配的模板。其中，步骤S1、S2均采用现有技术实现。

本发明的一种实施例的工作原理：

假设用户原始手势路径或原始模板手势路径如图9所示，采用本发明的方法将该用户原始手势路径或原始模板手势路径重新划分成包含N个等间隔点的路径，那么当N＝32、N＝64、N＝128时，重采样后所对应的用户手势路径或模板手势路径分别如图10～图12所示；

假设重采样后的用户手势路径或模板手势路径如图13所示，那么采用本发明的方法进行旋转后，对应的手势路径如图14所示。

Claims (8)

1.一种基于触控板的手势识别方法，其特征在于，包括以下步骤：

S1，对所采集的用户原始手势路径及原始模板手势路径进行重采样，将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径；

S2，计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离。

2.根据权利要求1所述的基于触控板的手势识别方法，其特征在于，步骤S1中所述的将用户手势路径及模板手势路径重新划分为等间隔点所形成的路径具体包括以下步骤：

S11，计算用户原始手势路径及原始模板手势路径的长度；

S12，假设利用等间隔点将所述的用户原始手势路径及原始模板手势路径平均划分为N-1段；

S13，从起始点开始，通过线性插值法插入点，将用户原始手势路径及原始模板手势路径重新划分成包含N个等间隔点的路径。

3.根据权利要求2所述的基于触控板的手势识别方法，其特征在于，所述的N的取值为32≤N≤256。

4.根据权利要求3所述的基于触控板的手势识别方法，其特征在于，所述的N的取值为64。

5.根据权利要求1所述的基于触控板的手势识别方法，其特征在于，步骤S2中，通过以下方式计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的平均距离：

$d_i=\frac{\underset{k=1}{\overset{N}{\Σ}}\sqrt{{(C{\[k\]}_x-T_i{\[k\]}_x)}^2+{(C{\[k\]}_y-T_i{\[k\]}_y)}^2)}}{N}$

其中，d_i为用户手势路径等间隔点的集合与第i个模板手势路径的等间隔点的集合之间的平均距离，k、N为各个集合所包含的等间隔的点的数量，C[k]为用户手势路径等间隔点的集合，T[k]为模板手势路径的等间隔点的集合。

6.根据权利要求1～5任一项所述的基于触控板的手势识别方法，其特征在于，步骤S2还包括：对重采样处理后的用户手势路径及模板手势路径进行旋转，使得手势路径的质心与路径起始点所形成直线与水平线的夹角为0。

7.根据权利要求1～5任一项所述的基于触控板的手势识别方法，其特征在于，步骤S2还包括：将重采样处理后的用户手势路径及模板手势路径缩放至同一正方形中，使得路径纵坐标的最大值与正方形中上边的纵坐标相同，路径纵坐标的最小值与正方形中下边的纵坐标相同。

8.根据权利要求7所述的基于触控板的手势识别方法，其特征在于，步骤S2还包括：计算用户手势路径等间隔点的集合与各个模板手势路径的等间隔点的集合之间的匹配值：

$score=1-\frac{d_i^{*}}{1/2\sqrt{{\mathrm{size}}^2+{\mathrm{size}}^2}}$

其中，score为匹配值，size为正方形的边长，d_i为用户手势路径等间隔点的集合与第i个模板手势路径的等间隔点的集合之间的平均距离，为所有d_i中的最小值，对应的模板即为获得的匹配模板。